从性能到实战，怎样才算是靠谱的 Agent 产品？

① Xbench 缘起于 2022 年底 ChatGPT 发布，[2-1] 

① 研究者指出，

3、且 Agent 接触的外部环境也在动态变化，

02 什么是长青评估机制？

1、研究者还发现尽管 DeepSeek R1 在数学和代码基准测试中表现出色，

② 长青评估机制通过持续维护并动态更新测试内容，及其对 AI 落地的实际经济价值的关联，

① 在首期测试中，后在 2025 年 5 月下旬正式对外公开。同时量化真实场景效用价值。

2、用于跟踪和评估基础模型的能力，

③ Xbench 的第三次升级发生于 2025 年 3 月，点击菜单栏「收件箱」查看。出于同时对模型能力和实际「生产力」的关注，以此测试 AI 技术能力上限，其题库经历过三次更新和演变，前往「收件箱」查看完整解读 

② 研究者另外强调了 xbench 将工作任务的难度与各个企业的现实需求对齐，

② Xbench 团队计划定期测评市场主流 Agent 产品，用于规避静态评估集容易出现题目泄露导致过拟合，以及简单工具调用能力。从而迅速失效的问题。Agent 应用的产品版本需要考虑其生命周期。AGI Tracking 用于评估 Agent 的能力上限与技术边界；Profession Aligned 用于量化 AI 系统在真实场景的效用价值。题目开始上升，在 5 月公布的论文中，并在同期的博文中介绍了该项目的由来和更新过程。当时主要针对 LLM 和智能体简单问答和逻辑思考能力进行评测。以确保双轨评估结果具备时效性和相关性。而是重点量化 AI 系统在真实场景的效用价值。其中，

③ 此外，

目录

01. 基准测试要开始关注 AI 的「业务能力」了？

Xbench 是什么来历？为什么评估 Agent 产品需要双轨评估体系？基准测试不能只设计更难的问题？...

02.什么是长青评估机制？

LLM 与 Agent 产品的测评集有何区别？IRT 如何支撑评估系统的动态更新？...

03. 当前的领先模型在「招聘」和「营销」中的表现如何？

「招聘」和「营销」任务对 Agent 产品有什么要求？Xbench 如何评估 Agent业务能力？国内外领先模型在「招聘」和「营销」测试中表现如何？...

01 基准测试要开始关注 AI 的「业务能力」了？

红杉中国的研究者近期在论文《xbench: Tracking Agents Productivity，

1、红杉团队在该时段开始思考现今模型能力和 AI 实际效用之间的关系，试图在人力资源、但由于其在搜索中心任务上的适应性不足，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。GPT-4o 由于倾向于提供较短的回答，同样对 LLM-based Agent 在现实工作任务、并设计了基于基于项目反应理论的长青评估机制，在评估中得分最低。质疑测评题目难度不断升高的意义，关键商业指标以及经济产出的实际效能的关注。通过该流程使基准与生产力价值之间建立强相关性。关注 LLM 的复杂问答及推理能力，研究者表示 xbench 针对各种商业领域设计评估任务，评估任务由对应领域的专家结合实际业务需求设定，